Trí tuệ nhân tạo với Python

Chúng ta sẽ cùng tìm hiểu nguyên lý của Deep Learning bằng cách quan sát trực tiếp thông qua Excel.

Thực hiện các bước cơ bản của Deep Learning bằng Excel và thấu hiểu sâu sắc ý nghĩa của nó!

Thực hành nền tảng học sâu trên Excel và hiểu sâu ý nghĩa! Học cách xử lý dữ liệu hình ảnh!

Lý do khóa học này đặc biệt: Các ưu điểm chính • Trực quan hóa dễ hiểu: Tự mình xem hoạt động thuật toán trực tiếp theo thời gian thực qua mô phỏng Pygame 2D • Kinh nghiệm thực tế: Vượt lý thuyết, tự tay lập trình để nắm vững thuật toán tự hành • Làm chủ thuật toán cốt lõi: Tập trung học các thuật toán cần thiết như Dijkstra, Pure Pursuit, ICP, v.v. • Học chuyên sâu theo từng bước: Cấu trúc độ khó có hệ thống từ cơ bản đến SLAM • SLAM dựa trên Lidar: Thực hành xây dựng bản đồ và ước tính vị trí trong môi trường chưa biết

Hãy triển khai khung deep learning trực tiếp trong Excel! Hãy cùng giải quyết việc học có giám sát/học không giám sát/học tăng cường bằng cách sử dụng khung đã triển khai!

Một mô hình tạo hình ảnh nóng bỏng! Hãy hiểu bằng cách thực hiện nó từ những điều cơ bản! Hãy cùng nhau triển khai AUTO ENCODER/VAE/GAN/DIFFUSION nhé!

Model được đào tạo trước (VGG16) / CAM / Grad-CAM / YOLO / CHUYỂN PHONG CÁCH / PIX2PIX / CYCLEGAN Tự mình thực hiện Khuếch tán ổn định

Triển khai nền tảng Deep Learning bằng Excel và hiểu sâu sắc ý nghĩa của nó!

[Tóm tắt bài giảng: Từ Pixel đến Thực tiễn, Xây dựng Hệ thống Nhận diện Danh thiếp] * **Tiền xử lý (Pre-processing):** Học cách loại bỏ nhiễu và sử dụng Gaussian Blur cùng Canny Edge để trích xuất "khung xương" của danh thiếp. * **Biến đổi Hough (Hough Transform):** Trải qua quá trình "vòng loại" để chọn ra những "đường viền" thực sự từ hàng vạn điểm thông qua hệ thống bình chọn $(\rho, \theta)$. * **Suy luận hình học:** Giải các phương trình đường thẳng phức tạp bằng phương pháp thế và ma trận để xác định chính xác bốn đỉnh $(x, y)$ của danh thiếp. * **Sắp xếp và lọc dữ liệu:** Học kỹ thuật tinh chế dữ liệu bằng cách loại bỏ các đường trùng lặp và gắn nhãn cho các điểm tìm được theo thứ tự 'trên-trái, trên-phải, dưới-phải, dưới-trái'. * **Biến đổi ma thuật (Perspective):** Kết thúc ấn tượng với kỹ thuật thực tiễn giúp làm thẳng những hình ảnh bị nghiêng, hoặc ngược lại, ghép hình ảnh vào một khung hình mong muốn. 📢 "Bạn có thấy nhức đầu khi nhìn vào các công thức toán học không? Tôi cũng từng như vậy." Khi lần đầu đảm nhận dự án xử lý hình ảnh trong thực tế, điều khiến tôi khổ sở nhất chính là những công thức $\sin, \cos$ tràn ngập màn hình. Sách vở thì đầy rẫy công thức, nhưng lại chẳng có nơi nào trả lời cho câu hỏi thực tế: **"Tại sao mã nguồn của tôi lại không tìm thấy danh thiếp?"** Thông qua bài giảng này, tôi muốn giúp các bạn giải quyết ba vấn đề nan giải thường gặp: 1. **"Vấn đề toán học cảm thấy như ngôn ngữ ngoài hành tinh"** → Giải quyết bằng [Sức mạnh của sự ẩn dụ]. Thay vì chỉ học thuộc lòng phương trình đường thẳng, tôi sẽ giúp bạn hiểu thông qua hình ảnh **'tia laser bắn ra từ gốc tọa độ'** và **'trò chơi đổ bóng'**. Khi đã hiểu nguyên lý, mã nguồn sẽ tự khắc tuân theo. Tôi sẽ dịch các công thức sang 'ngôn ngữ dễ hiểu nhất' mà tôi đã đúc kết được sau vô số lần thử sai. 2. **"Vấn đề hiểu lý thuyết nhưng không ứng dụng được"** → Giải quyết bằng [Vòng loại dữ liệu]. Tại sao danh thiếp của tôi lại có tới 10 đường viền, tại sao thứ tự các đỉnh lại bị xáo trộn... Tôi sẽ công khai toàn bộ bí quyết debug để lọc và sắp xếp những 'dữ liệu rác' mà bạn chắc chắn sẽ gặp phải trong thực tế. Logic chọn lọc tinh hoa này sẽ nâng tầm dự án của bạn lên một đẳng cấp mới. 3. **"Vấn đề kết quả đầu ra nhàm chán"** → Kết thúc bằng [Ghép hình tương tác]. Đây không phải là bài giảng chỉ dừng lại ở việc nhìn những đường viền đen trắng. Khoảnh khắc bạn đưa tấm danh thiếp mình tạo ra vào đúng 'khung hình danh vọng' mà bạn tự tay nhấp chuột chọn, bạn sẽ trải nghiệm được **'phép màu điều khiển không gian'** chứ không đơn thuần là lập trình. "Computer Vision không phải là toán học, mà là quá trình sở hữu một đôi mắt mới để nhìn ngắm thế giới." Tôi muốn truyền tải đến các bạn khoảnh khắc 'A-ha!' đầy phấn khích mà tôi đã nhận ra trong quá trình làm việc thực tế. Giờ đây, bạn có thể gấp những cuốn sách lý thuyết phức tạp lại. Hãy cùng tôi dùng 'cây bút' mã nguồn để tự do vẽ nên những hình ảnh theo ý muốn!

Trong bài giảng này, chúng ta sẽ xem xét toàn bộ quá trình tạo ảnh ghép mosaic từ góc độ thuật toán. Sau khi thu gọn ảnh đầu vào thành tập hợp các màu đại diện phù hợp với số lượng ô gạch thông qua phân cụm K-means, chúng ta áp dụng thuật toán Hungarian để ghép cặp tối ưu 1:1 giữa mỗi màu và ô gạch. Thông qua đó, chúng ta hiểu được quá trình kết hợp xử lý ảnh và thuật toán tối ưu hóa tổ hợp để tạo ra một kết quả hình ảnh.

Python + xlwings Tự động hóa công việc - Tóm tắt khóa học 1. Phần cơ bản: Kiến thức nền tảng điều khiển Excel Xử lý ô / Áp dụng định dạng / Chèn hình ảnh & biểu đồ 2. Phần ứng dụng: Kịch bản tự động hóa Gửi email tự động / Tự động hóa tóm tắt báo cáo(LLM) / Phân loại hình ảnh để xử lý(Teachable Machine)

Lý do khóa học này đặc biệt: Các ưu điểm chính • Trực quan hóa dễ hiểu: Tự mình xem hoạt động thuật toán trực tiếp theo thời gian thực qua mô phỏng Pygame 2D • Kinh nghiệm thực tế: Vượt lý thuyết, tự tay lập trình để nắm vững thuật toán tự hành • Làm chủ thuật toán cốt lõi: Tập trung học các thuật toán cần thiết như Dijkstra, Pure Pursuit, ICP, v.v. • Học chuyên sâu theo từng bước: Cấu trúc độ khó có hệ thống từ cơ bản đến SLAM • SLAM dựa trên Lidar: Thực hành xây dựng bản đồ và ước tính vị trí trong môi trường chưa biết

Đây là khóa học triển khai nhiều mạng nơ-ron nhân tạo khác nhau bằng cách sử dụng PyTorch, một framework học sâu có tính ứng dụng rất cao trong lĩnh vực Trí tuệ Nhân tạo.

Trong khóa học này, bạn sẽ tìm hiểu cách đưa ra dự đoán dữ liệu bằng thư viện Tensorflow. Bằng cách kết hợp việc học trong thư viện và phân tích dữ liệu mẫu, bạn sẽ học các phương pháp phân tích và xử lý dữ liệu có thể áp dụng trong thực tế.

Xây dựng hệ thống Full-stack không cần lập trình: Tự mình hoàn thiện toàn bộ pipeline từ thu thập dữ liệu, phân tích AI·ML đến bảng điều khiển web chỉ bằng các câu lệnh tiếng Hàn (Vibe Coding). Sở hữu pipeline tự động hóa 100%: Sở hữu công cụ phân tích chứng khoán độc lập, nhận kết quả sàng lọc S&P 500 và ý kiến đầu tư qua Telegram vào mỗi sáng. Tiếp thu khung đầu tư dựa trên dữ liệu thực tế: Biến năng lực phân tích dữ liệu và quản trị rủi ro cấp độ tổ chức thành của riêng bạn dựa trên mã nguồn đang vận hành thực tế.

Đây là khóa học thực hành tự tay chế tạo xe tự hành dựa trên AI bằng cách sử dụng Raspberry Pi và các cảm biến đa dạng.

Khóa học này là một masterclass thực chiến tập trung vào việc chinh phục hoàn toàn quá trình tiến hóa của Diffusion Model thông qua các bài báo và mã nguồn. Học viên sẽ học từ nguyên lý bài báo đến việc trực tiếp triển khai các mô hình cốt lõi của AI sinh tạo như DDPM(Denoising Diffusion Probabilistic Model) và DDIM. Khóa học phân tích từng bước bối cảnh xuất hiện của từng mô hình, công thức toán học, cấu trúc mạng (U-Net, VAE, Transformer), quá trình học (Noise Schedule, Denoising Step), và những ý tưởng dẫn đến cải thiện hiệu suất. Học viên sẽ trực tiếp lập trình tất cả các mô hình dựa trên PyTorch, không chỉ dừng lại ở việc hiểu bài báo mà còn có được 'khả năng thực tế để tái tạo và ứng dụng'. Ngoài ra, thông qua việc so sánh sự khác biệt và dòng chảy phát triển giữa các mô hình, học viên sẽ hiểu rõ cách chúng được mở rộng. Khóa học này kết hợp lý thuyết·mã nguồn·thực hành thành một, cung cấp hành trình để nghiên cứu viên·nhà phát triển·nhà sáng tạo đều có thể học hỏi một cách có hệ thống về sự tiến hóa của mô hình sinh tạo. Hãy bắt đầu ngay bây giờ trải nghiệm vượt qua việc 'đọc' bài báo, trực tiếp triển khai để 'hiểu và tái sáng tạo'.

Khóa học dành cho người mới bắt đầu trở thành kỹ sư AI được thiết kế để trải nghiệm ngắn gọn toàn bộ quy trình từ xử lý dữ liệu, phát triển mô hình, đến Cloud, MLOps và các cân nhắc về đạo đức. Khóa học không chỉ dừng lại ở việc tạo ra mô hình mà còn tập trung vào việc hiểu quy trình kết nối với dịch vụ thực tế để rèn luyện kỹ năng chuyên môn. Các bài thực hành và ví dụ đi kèm sẽ giúp ngay cả những người lần đầu học về AI cũng có thể dễ dàng theo kịp.

Phân tích hơn 40 loại chỉ số kinh tế và dữ liệu giá cổ phiếu bằng AI, dự đoán S&P 500, QQQ ETF lẫn cổ phiếu riêng lẻ, hãy tự tạo một mô hình phân tích giá cổ phiếu mạnh mẽ!

Hãy chắc chắn bắt đầu với những điều cơ bản về học máy và học sâu! Phân loại/hồi quy/phân cụm/tạo và sử dụng mạng thần kinh nhân tạo trong Python

Khóa học này nhằm mục đích hướng dẫn cách sử dụng Gemini API SDK mới nhất (@google/genai) trong môi trường Node.js và TypeScript. Bạn sẽ học cách sử dụng công nghệ đa phương thức (multimodal) để xử lý đồng thời văn bản, hình ảnh và video. Chúng ta sẽ thực hành toàn bộ quy trình từ cấp phát API key, thiết lập dự án cho đến việc gọi mô hình.

Đây là khóa học dự án máy học toàn diện, nơi bạn học nhiều dự án hồi quy và phân loại máy học hữu ích khác nhau cùng với lý thuyết sử dụng Python và TensorFlow 2 dựa trên dữ liệu lớn của Boston Marathon.

Khóa học này xuất phát từ câu hỏi "Nếu tôi có mặt trên tàu Titanic thì liệu có thể sống sót không?", phát triển mô hình AI dự đoán xác suất sống sót dựa trên dữ liệu thực tế, và hoàn thành dự án fullstack triển khai dịch vụ này lên web. Bạn sẽ thực hành toàn bộ quy trình từ AI đến phát triển web, bao gồm mô hình hóa deep learning với PyTorch, xây dựng backend server với FastAPI, và triển khai giao diện người dùng với Next.js.

Sử dụng Python để học các kỹ thuật học máy, và nâng cao khả năng trích xuất thông tin từ dữ liệu thực tế cũng như phát triển mô hình dự đoán!

Khóa học này là một masterclass thực hành hoàn chỉnh phân tích sâu sự phát triển công nghệ cốt lõi của AI tạo sinh từ LDM(Latent Diffusion Model) đến DiT(Diffusion Transformer). Chúng ta sẽ trực tiếp phân tích nguyên lý học tập dựa trên không gian tiềm ẩn của LDM, cấu trúc của Stable Diffusion, và phương thức triển khai của Diffusion Transformer mới nhất thông qua các bài báo và code. Học viên sẽ trực tiếp triển khai các mô hình LDM, CFG(Classifier-Free Guidance), DiT dựa trên PyTorch, đồng thời học một cách có hệ thống các xu hướng mới nhất và sự tiến hóa cấu trúc của mô hình tạo sinh.

Khóa học này giải thích các khái niệm cơ bản về LLM và GPT một cách dễ hiểu để bất kỳ ai cũng có thể nắm bắt được. Học viên có thể trực tiếp sử dụng GPT API để tạo chatbot và chạy trên web bằng Streamlit. Thông qua trải nghiệm từ cơ bản đến thực hành, bạn có thể xây dựng nền tảng vững chắc cho những bước đầu tiên trong việc ứng dụng AI.

- Tôi là Research Engineer/AI PM đang điều hành một startup AI năm thứ 4. - Video này là bài giảng dành cho những người muốn bắt đầu học trí tuệ nhân tạo vào "hiện tại", "năm 2026". - Khi nhìn các bạn sinh viên, tôi thấy có rất nhiều bạn không biết phải bắt đầu học trí tuệ nhân tạo như thế nào. - Tôi hy vọng sau khi nghe bài giảng này, các bạn có thể bắt đầu học trí tuệ nhân tạo. - Xin lưu ý, bài giảng này không phải là "Ứng dụng AI vào công việc" hay "Bắt đầu kiếm tiền bằng GPT". - Đây là video về cách bắt đầu khi sinh viên, học viên cao học, hoặc các lập trình viên muốn học trí tuệ nhân tạo.

Nếu bạn muốn học Python thì hãy chú ý đến khóa học này!!! Hoàn toàn miễn phí~ Tôi thực sự khuyến khích sử dụng làm tài liệu học trước khi tham gia các môn học chính thức hoặc tự học cá nhân.

Bạn có thể sử dụng Docker để tạo môi trường phân tích học sâu trên đám mây. Khi kết hợp Docker và đám mây do Google, MS quản lý, bạn có thể thực hiện công việc bằng các phương pháp phân tích học sâu mới nhất trên máy tính của mình.

Đây là khóa học Python cơ bản dành cho những người mới bắt đầu muốn phát triển thành nhà phân tích dữ liệu. - Người muốn phân tích dữ liệu nhưng chưa biết Python - Người muốn học machine learning bằng Python - Người đang chuẩn bị cho kỳ thi thực hành chứng chỉ phân tích Big Data - Người muốn phát triển ứng dụng dựa trên machine learning bằng Python